Im Quellenvergleich
Worin die Quellen übereinstimmen
Mistral AI hat mit Voxtral 3 eine Familie von Sprachmodellen vorgestellt, die Echtzeit-Sprachagenten ermöglichen soll. Das System umfasst ein Speech-to-Text-Modell (Voxtral Small Transcribe 3), ein Text-to-Speech-Modell (Voxtral Mini TTS 3) und ein SDK für Sprachagenten. Zusammen vereinen sie Zuhören, Schlussfolgern, Werkzeugnutzung und Sprechen in einer Streaming-Pipeline. Die Transkription deckt über 50 Sprachen ab, die Sprachausgabe über 35 Sprachen und 50 Dialekte mit emotionaler Anpassung. Nutzer können das System über EU-gehostete APIs beziehen oder auf eigener Infrastruktur betreiben, um die Datenhoheit zu wahren. Der Preis für Transkription beginnt bei 0,0035 Dollar pro Minute. Die Quellen berichten weitgehend übereinstimmend.
Worin sie sich unterscheidenTechnische Grundlage des Voice-Agent-SDK·Fähigkeiten des Transkriptionsmodells·Abdeckung der EU-Amtssprachen+5 weitere
Technische Grundlage des Voice-Agent-SDK- Das Voice-Agent-SDK basiert auf LiveKit.1
Fähigkeiten des Transkriptionsmodells- Voxtral Small Transcribe 3 erkennt Sprecherwechsel (Diarization), nutzt Schlüsselbegriffe zur Verbesserung der Genauigkeit und erkennt, wann jemand zu sprechen aufhört.2
Abdeckung der EU-Amtssprachen- Die Transkription deckt über 50 Sprachen ab, darunter 24 EU-Amtssprachen.2
Parametergröße der Mini-Variante- Die Mini-Variante hat 4 Milliarden Parameter.2
Latenz des Echtzeitmodells- Ein Echtzeitmodell erreicht Latenzen unter 500 Millisekunden in über 35 Sprachen.2
Preis des Sprachausgabemodells- Voxtral Mini TTS 3 kostet 13 Dollar pro einer Million Zeichen und damit weniger als vergleichbare Modelle von OpenAI, Deepgram, ElevenLabs und Gemini.2
Stimmnachbildung- Eine „Pro Voice“-Anpassung soll mit 30 Minuten Audio den Stil eines Sprechers nachbilden.2
Anwendungsbeispiele für Tool-Aufrufe- Agenten können während laufender Gespräche auf externe Systeme zugreifen, etwa um Termine zu buchen oder Rechnungen zu prüfen.1